Masinõppimine (machine learning) hõlmab algoritme, mis suudavad õppida, tuvastada peidetud seoseid ja teha prognoose. Masinõppimise mudelitest võib mõelda kui tehisintelligentsetest töötajatest, kes on alguses väga rumalad, kuid mida rohkem infot neile ette anname, seda targemaks nad muutuvad.

Masinõppimise mudelid jaotuvad kaheks: suunatud (supervised) ja mittesuunatud (unsupervised). Esimesel juhul teame me varasema kogemuse baasil, milline on õige vastus ja anname arvutile ülesandeks õppida selgeks seosed selle vastuseni jõudmiseks. Näiteks soovime, et arvuti tuvastaks pildi järgi defektiga tooted. Seega anname arvutile ette pildid nii defektiga kui ka sobilikest toodetest, arvuti õpib asja selgeks ning võib võtta defektide tuvastamise rolli inimestelt üle. Seega, suunatud masinõppimise korral anname me arvutile ise suuna kätte.

Mõnikord ei ole aga õige vastus meile teada. Näiteks soovime muuta turundustegevuse personaalsemaks ning turundusjuht ütleb, et nad oleksid võimelised teenindama viit erinevat gruppi, kuid mitte rohkem. Kuidas jaotada aga kliendid kõige paremal moel viide gruppi!? Saame selle ülesande anda taas arvutile, kes ragistab läbi kõik võimalikud klientide vahelised sarnasused ja erisused, jaotab kliendibaasi viieks grupiks ning ütleb meile, mis neid gruppe iseloomustab. Toodud näite puhul ongi tegemist mittesuunatud masinõppimisega, kuna arvuti ei saanud meie käest ühtki suunist õige vastuse osas.

Arvutil eelis inimese ees väljendub ühelt poolt suutlikkuses närida läbi miljoneid ja miljardeid andmekilde ning teisalt suudab arvuti leida seoseid ja mustreid, mida inimsilm ei haara. Samas on ekslik arvata, et saame panna masinad enda eest juhtimisotsuseid tegema. Ärijuhtimiseks on vaja ka kujutlusvõimet ja oskust tajuda tervikpilti ning siin on arvutid täna veel nõrgad. Toon järgnevalt mõned konkreetsed näited ülesannetest, mille täitmiseks saab masinõppimist kasutada:

  • uute potentsiaalsete klientide leidmine varasema müügitöö andmete baasil
  • klientide käitumise prognoosimine varasemate ostude baasil
  • riskantsete klientide leidmine varasema kliendikao kogemuse põhjal
  • kliendi või tarnija krediidiriski määratlemine
  • klientide grupeerimine ostukäitumise baasil, et personaliseerida turundust
  • uute trendide avastamine klientide ostukäitumise baasil
  • ettevõttesse sobivate töötajate leidmine praeguste ja endiste töötajate andmete baasil
  • masinate rikkepõhjuste leidmine ja rikete prognoosimine
  • tarneplaani optimeerimine tarnijate iseloomustuse ja tingimuste baasil

Tegelik võimaluste hulk on piiratud vaid meie kujutlusvõimega. Masinõppimine on kasutatav kõikjal, kus vaja hinnata kliente, tarnijaid, projekte, objekte või valikuvariante Jah-Ei põhimõttel, leida seoseid nende vahel ja tuvastada mustreid. Masinõppimise mudelid on justkui hästi distsiplineeritud abilised, kes annavad juhtidele sisendi otsustamiseks ning aitavad panna andmed teenima.

p.s kirjutan tulevikus detailsemalt erinevate juhtimisvaldkondade kaupa, milliseid teadmisi on võimalik andmeteaduse ja masinõppe abil koguda.